A xAI acaba de anunciar o Voice Agent Builder em beta, uma plataforma no-code para configurar agentes de voz em produção rodando sobre o modelo Grok Voice.
A proposta é direta: você não precisa montar uma stack de voz do zero, contratar três provedores diferentes ou escrever uma linha de código para colocar um agente funcionando. Tudo o que você precisa já vem junto, telefonia, recuperação de conhecimento, ferramentas, guardrails, suporte a servidores MCP e observabilidade, em um único lugar.
A plataforma é voltada para operadores e desenvolvedores que precisam de agentes de voz em alto volume, mas não querem passar semanas integrando APIs separadas de reconhecimento de fala, modelo de linguagem e síntese de voz. E se você já tem uma estrutura própria, sem problema: dá para trazer números de telefone existentes via SIP, conectar ferramentas às suas próprias APIs e servidores MCP, ou usar uma conexão WebSocket com seu próprio cliente.
O problema das stacks de voz tradicionais
A maioria das soluções de voz que existem por aí costura três APIs diferentes: uma para transformar fala em texto, um modelo de linguagem para pensar na resposta, e uma terceira para transformar texto em fala novamente. E, na prática, cada uma dessas etapas frequentemente fica hospedada em um provedor diferente. O resultado? Cada salto entre esses serviços adiciona custo, latência e novos pontos de falha na conversa.
É aqui que o Voice Agent Builder muda o jogo. Em vez de montar um agente a partir de três pedaços independentes, ele oferece uma única interface sobre um caminho speech-to-speech construído especificamente para o Grok Voice. O modelo está fortemente acoplado à plataforma, e não apenas encaixado no meio de uma cadeia de fornecedores. Essa integração nativa é o que permite que o agente responda de forma mais rápida e natural, sem aquela sensação de robô que trava entre uma fala e outra. 🎙️
Treinado com as ligações mais difíceis que existem
Ligações reais não são gravadas em estúdio. Elas vêm com áudio de telefonia de baixa qualidade, barulho de fundo, sotaques fortes, interrupções constantes e pessoas que mudam de ideia no meio da frase. E os fluxos de trabalho por trás dessas chamadas costumam ser ambíguos, passar por dezenas de ferramentas diferentes e acontecer em qualquer um dos mais de 25 idiomas suportados.
- E-BOOK GRATUITO
Um guia prático para avaliar, comparar e implementar inteligência artificial com clareza — sem desperdício de tempo ou dinheiro.
Pare de contratar ferramentas sem direção. Criamos um método estruturado para decidir qual IA realmente faz sentido para o seu negócio.
Entrega em PDF no seu e-mail · Sem spam · LGPD
🔒 Seus dados são protegidos conforme a LGPD. Você pode descadastrar a qualquer momento.
A xAI treinou o Grok Voice exatamente nesse tipo de ligação difícil, e não em condições ideais de laboratório. Essa é uma diferença fundamental, porque é justamente nos cenários caóticos que a maioria dos agentes de voz quebra. Um agente que trava com ruído ambiente ou que não entende uma pergunta feita de forma diferente do esperado simplesmente não serve para produção de verdade.
Para medir esse desempenho sob condições reais, a xAI usa o benchmark τ-voice Bench, que avalia agentes de voz nos mesmos ambientes hostis que aparecem em chamadas do dia a dia. Nesse leaderboard, o Grok Voice Think Fast 1.0 aparece comparado a modelos como o Gemini 3.1 Flash Live e o GPT Realtime 1.5, mostrando como ele se sai frente à concorrência em situações que realmente importam.
Dois minutos para colocar um agente no ar
A configuração é surpreendentemente simples. Você escreve uma descrição em linguagem natural de como as chamadas devem fluir, anexa seus documentos, ferramentas e guardrails, e pronto. Segundo a xAI, dá para sair do zero até um agente funcionando em cerca de dois minutos. Isso não é aquele no-code de fachada onde você ainda precisa escrever JSON gigante ou entender profundamente a documentação. É configuração de verdade acessível.
Ensine o seu negócio para o agente
Todo agente começa com um prompt que descreve como as chamadas devem acontecer. Como o modelo raciocina em tempo real, ele consegue seguir instruções longas e trabalhar em cima de pedidos ambíguos, sem se perder no meio do caminho.
Mas o que o agente realmente sabe vem da base de conhecimento. Você faz upload de documentos em formatos comuns, como texto simples, Markdown, Word, PowerPoint, Excel, HTML, JSON e vários outros, e o agente recupera essas informações durante as ligações. Os documentos ficam organizados em coleções, que podem ser anexadas a um ou mais agentes e compartilhadas entre eles. Isso significa que políticas, especificações de produto e manuais de operação ficam guardados em um único lugar, em vez de serem copiados e colados dentro de cada prompt. Muito mais organizado e fácil de manter.
Deixe o agente agir de verdade
Conhecer o negócio é só metade de uma ligação de suporte ou de vendas. Os agentes também precisam agir. Eles consultam informações, alteram registros, transferem a chamada ou fecham o ciclo depois que a conversa termina.
É aí que entram as ferramentas e os conectores. Numa central de agendamento, o agente pode marcar compromissos no Google Calendar ou no Outlook Calendar e depois enviar uma confirmação pelo seu provedor de e-mail. No suporte, uma requisição de API pode verificar o status de um pedido ou emitir um reembolso direto nos seus próprios sistemas. Quando a resposta não está apenas nos seus documentos, a busca na web ou no X consegue trazer informações públicas atualizadas. Tickets podem ser gerenciados no Linear ou no Notion, e arquivos vêm do Google Drive ou do OneDrive.
Se o cliente precisar falar com uma pessoa de verdade, o agente pode transferir a chamada para a sua equipe. E quando a tarefa é concluída, ele encerra a ligação de forma limpa. Ao longo de toda a conversa, o agente envia notificações em tempo real para que o seu time acompanhe o que ele fez e possa intervir se for necessário. Esse tipo de integração fluida faz toda a diferença entre um agente que resolve e um que só redireciona.
Dê uma voz e um número ao seu agente
Os agentes podem usar qualquer uma das mais de 80 vozes integradas, ou até um clone da voz da sua marca, criado a partir de cerca de dois minutos de áudio. Cada conta já inclui um número de telefone gratuito, pronto tanto para a primeira chamada de teste quanto para tráfego de produção. E, para quem já tem numeração ativa, a conexão direta via SIP permite trazer um número existente de qualquer provedor de telefonia importante. Você também pode testar mudanças direto no navegador, sem precisar de um telefone. 📞
Revise cada ligação com calma
Toda chamada é gravada e transcrita. Você consegue ouvir o áudio, ler a transcrição completa e ver exatamente quais ferramentas o agente usou em cada momento. Os guardrails definem limites do que o agente não deve fazer, como repetir números de cartão em voz alta ou entrar em assuntos que estão fora do roteiro. É a camada de segurança e conformidade que qualquer operação séria precisa ter.
Quanto custa o Voice Agent Builder
A xAI acredita que preço deve ser simples e transparente, e o modelo de cobrança reflete isso. Os agentes são cobrados pela tarifa de API da empresa, atualmente US$ 0,05 por minuto de áudio, com as vozes já incluídas e sem nenhuma taxa de plataforma separada. A telefonia em um número gratuito provisionado custa mais US$ 0,01 por minuto.
Receba o melhor conteúdo de inovação em seu e-mail
Todas as notícias, dicas, tendências e recursos que você procura entregues na sua caixa de entrada.
Ao assinar a newsletter, você concorda em receber comunicações da Método Viral. A gente se compromete a sempre proteger e respeitar sua privacidade.
Isso contrasta bastante com outras stacks de voz, que normalmente cobram por cada componente individual, ou seja, reconhecimento, raciocínio, síntese e plataforma, cada um com seu próprio medidor e sua própria tabela de preço. A ideia da xAI foi entregar um número pequeno de medidores que você consegue simplesmente multiplicar pelo volume de chamadas e ter clareza total do custo, sem surpresas na fatura.
Para times que estão avaliando se faz sentido migrar de uma solução atual, o cálculo vai além do preço por minuto. Vale considerar o custo de manter uma stack fragmentada, o tempo de engenharia gasto integrando e monitorando serviços separados, e o risco de SLA quando um dos fornecedores da cadeia tem instabilidade. Uma plataforma integrada como essa tende a reduzir esses custos ocultos de forma significativa.
Por que testar você mesmo faz mais sentido
No fim das contas, um agente de voz é muito mais fácil de julgar pelo ouvido do que por qualquer benchmark. Números em uma tabela ajudam a comparar, mas eles não capturam aquela sensação de conversar com algo que realmente entende o que você está pedindo. A recomendação da própria xAI é direta: monte um agente, entregue a ele o seu fluxo de trabalho mais difícil, e ligue para testar.
Por estar em beta, o Voice Agent Builder ainda pode passar por ajustes de funcionalidades, preço e limites de uso. A xAI sinalizou que essa fase serve justamente para coletar feedback real de operadores em produção, o que é positivo porque indica que as melhorias virão com base em uso genuíno, não em suposições de laboratório. Para quem quer entrar cedo, é uma janela para influenciar o roadmap da plataforma antes da disponibilidade geral.
O Voice Agent Builder chega em um momento em que a demanda por agentes de voz em produção está crescendo rápido, mas as ferramentas disponíveis ainda exigem muito esforço técnico para funcionar de forma confiável. A combinação de Grok Voice nativo, telefonia integrada, interface no-code e suporte a MCP coloca a xAI em uma posição relevante nesse mercado, e vale acompanhar de perto o que vem por aí conforme a plataforma sai do beta.
